基于WAA-LSTM模型的锚索预应力长期损失预测研究

摘要

针对边坡锚索预应力长期损失预测中传统理论模型因线性化假设导致的动态扰动适应性不足的问题，提出了一种基于加权平均优化算法优化长短期记忆网络的WAA-LSTM集成预测模型。以露天矿边坡锚索预应力监测样本数据为基础，结合LSTM时序建模与WAA超参数优化构建WAA-LSTM集成预测模型，为验证其效果，将该模型与其他模型进行对比，并在此基础上利用该模型构建递归预测框架，预测后续2个月的未知锚索预应力。研究结果表明：相较于传统模型（LSTM、BP神经网络、PSO-LSTM）和H-2K蠕变理论模型，WAA-LSTM模型的预测结果在MAE、MAPE、RMSE和R²等指标上均表现最优。其中，MAE较LSTM模型平均降低了51.1%,RMSE较PSO-LSTM模型平均降低了35.6%,R²最高可达0.9847，说明WAALSTM模型对极端偏差具有更强的控制能力，能够很好地解释和拟合锚索预应力的长期变化规律。同时，构建的递归预测结果显示，后续2个月预应力波动幅度稳定，符合锚索时效损伤与外部扰动耦合机理。研究表明，WAA-LSTM模型预测结果与实际结果相吻合，与同类方法相比，其准确性和工程适用性更好。研究结果可为露天矿边坡锚索预应力长期损失预测提供参考。

关键词

露天矿边坡 / 锚索预应力损失 / 人工智能 / 时序预测 / 长短期记忆网络 / 加权平均优化算法 / 蠕变耦合理论